通信信号识别技术在认知无线电、频谱监测、军事情报等领域有着广泛应用。随着信息技术的发展,通信信号体制日趋多样,传统方法因通用性差、先验信息不足等因素已逐渐难以适应实际应用的需求。基于深度学习的信号识别方法能够“端到端”实现信号特征提取和分类,相比传统方法在识别性能、实现简便上展现出了巨大优势。但是,现有深度学习类信号识别方法以监督学习为主,需要大量带标签样本训练神经网络模型,当带标签样本不足时,模型容易出现过拟合,识别性能严重下降。实际工作中,我们往往容易获取到大量未经标记的信号样本,但是精确地为这些信号样本打上标签需要耗费大量人力和时间成本,导致大量未经标注的信号样本得不到充分利用,并且从历史数据中查找积累训练用信号样本困难,限制了智能信号识别技术的推广应用。针对上述不足,本文分别从模型训练和信号样本查找两个方面提出了解决问题的方案,主要工作如下:（1）在信号识别模型的训练方面,针对无标签信号样本难以参与模型训练,并且信号分析标注成本高、难度大的问题,本文提出了一种基于自监督对比学习的信号识别方法。该方法以原始I/Q采样信号作为输入,首先通过自监督对比学习利用大量无标签样本预训练神经网络模型,实现信号特征的提取,然后利用少量带标签样本训练分类器,实现信号类型的识别。这种半监督学习方法使得无标签的信号样本也可以参与到模型训练中,只需少量带标签样本即可完成信号识别分类器的训练,可大幅降低模型训练所需带标签样本的数量。在Radio ML2018.01A公开数据集上的仿真实验表明:该方法可以在少量带标签样本下实现24类信号的有效识别,且仅需1%的带标签样本就能达到全数据集上与监督学习模型相当的性能。（2）在信号样本的查找方面,为了从历史信号数据中高效检索出所需要的信号样本,及时扩充信号数据集的数量和种类,本文将深度哈希检索技术引入到信号检索领域。当信号采集入库时,根据信号特征为其提供一个二进制哈希编码作为在数据库中的指纹,只需计算查询信号与数据库信号哈希编码之间的汉明距离,即可实现历史信号数据的高效检索。当训练数据集中带标签样本较多时,本文提出了基于监督学习的信号哈希检索方法,采用信号标签作为监督信息实现信号特征的提取和编码;当训练数据集中含有大量无标签样本、少量带标签样本时,本文提出了基于半监督学习的信号哈希检索方法,通过自监督对比学习利用大量无标签样本预训练神经网络模型,实现信号特征的提取,然后通过监督学习利用少量带标签样本将信号特征映射为哈希编码;当训练数据集中所有信号样本不含标签时,本文提出了基于无监督学习的信号哈希检索方法,采用自监督对比学习训练神经网络,在对比损失函数中引入正则项引导哈希编码的生成。在Radio ML2018.01A公开数据集上的实验表明,本文所提方法在信号数据库检索中具备较高的检索精度和速度,可实现已知信号和新类型信号的编码和检索。